深度强化学习中的DQN系列算法

DQN是考虑到维度灾难，在q-learning算法的价值函数近似Value Function Approximation基础上修改的。

主要是对Q(s,a,w)进行修改，s可能是非常大的，比如输入一个图像，a可能是很小的，比如玩游戏时候几个操作键。

这种情况下引入神经网络，可以把Q(s,a,w)变成a = Q（s，w），输出的是a大小的向量，每个元素表示每个动作a下的Q(s,a)值。

下面要训练这个神经网络，它的target值就是Rt+1 + Q(s_,a_,w)。

回想神经网络训练的时候，是样本是独立，可以打乱顺序，可以批量学习。但是DQN这里的target是按顺序出现的，每走一步出现一个，而且他们之间是有关联的（这里有关联会造成怎样的影响还没理解），为了打消这种关联，使得更像普通的神经网络训练过程，需要把多个样本先储存起来，从中抽样进行训练。

DQN的几个改进版本：

nature DQN（因为2013年发表在nature上得名）：

增加了target Q网络。本来target 值也是用 Q（s，w）计算的，现在独立出来了，用 Q（s，w_）计算，这样增加了独立性。但是w_从何而来呢，其本身就是target了，并没有什么loss函数来优化它，答案是copy w值，但是推迟n步，就是每次学习的时候使用n步之前w作为w_。

Double DQN：
以nature DQN为基础
修正了每次都使用max a 造成的误差（Q(S,a,W)是对真是Q的近似，存在误差，每次选择了最大的Q值，也就选择了最大的误差）。

方法是：
每次计算target Q的时候需要选择 max a ，nature DQN 是根据Q（s，w_）来计算是， Double DQN是根据Q（s，w）来计算的。

Prioritised Replay：
以nature DQN为基础
从储存的样本中进行抽样的时候不是随机抽样，而是有先后顺序的。target Q 和 要更新的Q差值越大，说明梯度越大，就先更新

Dueling Network：
将Q网络分成两个通道，一个输出V，一个输出A，最后再合起来得到Q。
Q(s,a) = V(s,v) + A(s,a,w)